[发明专利]一种基于迁移学习和注意力机制的肺部CT图像分割方法

说明书

本发明公开了一种基于多注意力机制的可变形卷积肺部CT图像分割方法，涉及深度学习领域，本发明首先对数据集进行数据预处理和数据增广，然后构建网络模型，网络模型包括主干网络、边缘注意力模块、自适应可形变卷积模块和双重注意力融合模块。图像进入网络模型，先经过主干网络进行编码，然后通过边缘注意力模块，抑制没有空间相关性的区域边缘特征信息，提高目标区域边缘特征的权重比。再通过自适应可形变卷积模块学习卷积参数和坐标偏移从而自适应感受野。最后通过双重注意力融合模块融合EAM模块和ADC模块所提取的丰富特征，利用上层特征生成的特征图来增强下层特征，再将增强的下层特征与上层特征集成之后输出分割的图像。

技术领域

本发明属于深度学习技术领域，应用于医学图像分割方面，具体涉及一种基于多注意力机制的可变形卷积肺部CT图像分割方法。

背景技术

医学图像在帮助医疗服务提供者接触患者进行诊断和治疗方面发挥着至关重要的作用。研究医学图像主要取决于放射科医生的视觉解释。然而这通常需要花费大量时间，并且取决于放射科医生的经验，是非常主观的。为了克服这些限制，使用计算机辅助系统就变得非常必要。医学图像分割的计算机化在医学成像应用中发挥着重要作用。它在诊断、病理定位、解剖结构研究、治疗计划和计算机集成手术等不同领域有着广泛的应用。然而，人体解剖结构的可变性和复杂性导致医学图像分割仍然是一个难题。

目前诊断 COVID-19的标准是实时逆转录聚合酶链反应(RT-PCR)拭子试验。然而RT-PCR的诊断结果需要几个小时才能处理，并且该检测的假阴性率很高，通常需要重复检测。与RT-PCR相比，胸部计算机断层扫描(CT)成像能够以高灵敏度对COVID-19进行有效的疾病筛查，并且易于在临床环境中使用。

深度学习技术在医学诊断中的应用可以提高疾病的检测率和效率，在医学图像识别领域取得了巨大的成功。为了诊断肺癌、肺肿瘤和肺结节，许多学者研究了基于深度学习的肺部 CT图像识别方法，已经证明CT图像识别对于肺部疾病的诊断非常有用。如果能够从CT图像中准确分割肺部感染区域，这对于COVID-19的量化和诊断是至关重要的。然而基于以下事实，在CT图像上准确分割新型冠状病毒疾病感染病灶仍然是一项具有挑战性的任务：1. 在CT图像上，感染的边界不规则，大小和形状各不相同，具有模糊的外观和低对比度的特点。这很容易导致遗漏一些小的毛玻璃病变，或对CT图像上的感染产生过度分割；2.缺少标记数据集。临床医生提供的大规模感染注释不容易获得。

发明内容

本发明要克服现有技术的上述缺点，提出一种基于多注意力机制的可变形卷积肺部CT图像分割方法，用于从CT图像中准确分割covid-19肺部感染。

为使本发明的目的、技术方案和优点更加清晰，下面就对本发明的技术方案作进一步描述。本发明的基于多注意力机制的可变形卷积肺部CT图像分割方法，包含以下步骤：

步骤1)对所选的数据集数据增广和数据预处理；

首先读取所选的患有新冠肺炎的患者肺部CT图像数据集，然后将图像进行随机裁剪、反转、旋转、缩放、移位等方式来扩大数据集，这个操作称之为数据增强；数据增强让有限的数据产生更多的数据，增加训练样本的数量以及多样性，提升模型鲁棒性，一般用于训练集；最后对所有数据进行归一化处理将图像强度值限定在一定的范围内，避免某些异常样本对训练造成不良影响；

步骤2)构建网络模型；

构建分割模型DCSegNet；分割模型DCSegNet包括一个主干网络和三个关键模块，即 ResNet主干网络、边缘注意力模块(Edge Attention Module)、自适应可形变卷积模块(Adaptive Deformable Convolution)和双重注意力融合模块(Dual-attention fusionmodule)；